基于协同过滤和深度学习的个性化推荐方法及系统技术方案

本发明专利技术提供一种基于协同过滤和深度学习的个性化推荐方法及系统，包括获取用户购买商品的历史行为特征数据，并进行预处理，将用户的购买行为按照时间进行排序，排序后的数据称为用户的行为特征序列；个性化推荐系统建模，包括从交互矩阵中获取用户和商品的输入向量，然后分别生成用户和商品的嵌入向量，再经过注意力神经网络对嵌入向量进行加权，加权后的嵌入向量再进行线性和非线性的交互，从而获取用户和商品之间的显式和隐式关系，最后进行用户对商品的点击率预估；使用用户行为特征序列进行模型的训练和测试。本发明专利技术充分挖掘了用户的和商品的协同信号，为捕捉用户的个性化需求提供基础，能够提高推荐系统准确度和可解释性。

【技术实现步骤摘要】
基于协同过滤和深度学习的个性化推荐方法及系统
本专利技术涉及互联网中推荐系统的
，具体涉及到一种基于协同过滤和深度学习的个性化推荐方法及系统。
技术介绍
随着人类生活的网络化，网络中的数据量在爆发式的增加，而这些数据中所带有的信息也在与日俱增，在人们的日常网络生活中，越来越多的应用开始关注利用这些信息来改善用户的上网体验，推荐系统应运而生。相应技术也在日益增多，例如：CN109410001B提供了了一种商品推荐方法、系统、电子设备和存储介质，获取商品的文本词组的权值，并对文本词组进行向量化得到相应的加权文本词向量；通过预设的聚类算法对加权文本词向量进行聚类；在聚类内计算加权文本词向量间的距离，获取预设的高频词元素近似结果；根据预设的高频词元素近似结果，生成相应的商品推荐结果。CN111523042B涉及用于推荐商品的方法、装置、电子设备和计算机存储介质，基于用户点击商品记录，生成与用户标识相关联的点击商品标识序列；基于当前时间和与商品标识相关联的活动截止时间，确定与商品标识相关联的剩余时间；基于点击商品标识序列和与商品标识本文档来自技高网...

【技术保护点】
1.一种基于协同过滤和深度学习的个性化推荐方法，其特征在于，包括以下步骤，/n步骤1，获取用户购买商品的历史行为特征数据，并进行预处理，将用户的购买行为按照时间进行排序，排序后的数据称为用户的行为特征序列；/n步骤2，个性化推荐系统建模，所述个性化推荐系统包括依次设置的如下部分，/n输入层，用于将用户的编码和商品的编码分别表示为用户输入向量和商品输入向量，所述用户的编码包括用户的多热编码和用户的独热编码，所述商品的编码包括商品的多热编码和商品的独热编码；/n嵌入层，用于将用户输入向量和商品输入向量降维，得到用户的嵌入向量和物品的嵌入向量；所述用户u的嵌入向量包括其历史购买商品对应的嵌入向量的集...

【技术特征摘要】
1.一种基于协同过滤和深度学习的个性化推荐方法，其特征在于，包括以下步骤，
步骤1，获取用户购买商品的历史行为特征数据，并进行预处理，将用户的购买行为按照时间进行排序，排序后的数据称为用户的行为特征序列；
步骤2，个性化推荐系统建模，所述个性化推荐系统包括依次设置的如下部分，
输入层，用于将用户的编码和商品的编码分别表示为用户输入向量和商品输入向量，所述用户的编码包括用户的多热编码和用户的独热编码，所述商品的编码包括商品的多热编码和商品的独热编码；
嵌入层，用于将用户输入向量和商品输入向量降维，得到用户的嵌入向量和物品的嵌入向量；所述用户u的嵌入向量包括其历史购买商品对应的嵌入向量的集合，构成用户u的嵌入特征；所述商品v的嵌入向量包括其历史购买者对应的嵌入向量的集合，构成商品v的嵌入特征；
注意力神经网络，用于对嵌入向量进行加权，包括对于每一个用户计算出其历史购买商品的注意力权重，以衡量用户u偏向于购买哪些物品；对于每一个物品计算出其历史购买者的注意力权重，以衡量物品v偏向于被哪些用户购买；
交互层，用于将加权后的隐向量进行线性和非线性的交互，获取用户和商品之间的显式和隐式关系；
融合层和输出层，用于进行用户对商品的点击率预估，包括对交互层中线性和非线性子部分得到的输出进行融合，得到最后的用户和目标商品之间的交互关系，再据此计算用户购买目标商品的概率，概率越大，则购买的可能性越大；
步骤3，使用用户行为特征序列进行模型的训练和测试，对测试的商品通过点击率的高低进行排序，然后选取前若干项进行推荐。


2.根据权利要求1所述的一种基于协同过滤和深度学习的个性化推荐方法，其特征在于：在步骤1中，需要获取的数据包括所有用户的ID值，所有商品的ID值，以及所有用户的购买记录，并将用户的购买记录按照购买时间进行排序；选择用户最近一次的购买记录作为模型的测试集，倒数第二次购买记录作为模型的验证集，其余购买记录作为模型的训练集；
构建隐式反馈交互矩阵M，矩阵大小为m×n，m表示用户的数量，n表示商品的数量，矩阵中的数值为1表示用户购买过此商品，数值为0表示用户未购买过此商品；矩阵的第i行表示ID值为i的用户的购买记录，矩阵的第j列表示ID值为j的商品被购买记录。


3.根据权利要求2所述的一种基于协同过滤和深度学习的个性化推荐方法，其特征在于：在输入层中，针对每一个用户，使用交互矩阵M中其ID值对应的行对其进行编码，称之为用户的多热编码；针对每一个商品，使用交互矩阵M中其ID值对应的列对其进行编码，称之为商品的多热编码；同时，对每一个用户的ID和每一个物品的ID进行独热编码表示。


4.根据权利要求3所述的一种基于协同过滤和深度学习的个性化推荐方法，其特征在于：在嵌入层中，采用两个嵌入矩阵来对用户输入向量和商品输入向量进行降维，实现如下，
用于对用户特征降维的嵌入矩阵为P∈Rm×k，其中m表示用户的数量，k表示低维空间的维度，用于对商品特征降维的嵌入矩阵为Q∈Rn×k，其中n表示物品的数量，k表示低维空间的维度；
针对每一个用户u，都能够在嵌入矩阵P中找到其ID值对应的嵌入向量tu，然后在嵌入矩阵Q中找到用户u的所有历史购买商品的嵌入向量qj∈Q，则用户u的嵌入特征表示为其中表示用户u的历史购买的商品的集合；
针对每一个商品v，都能够根据其ID值，在嵌入矩阵Q中找到对应的嵌入向量tv，然后对于商品v的所有历史购买者根据嵌入矩阵P生成对应的嵌入向量pi∈P，其特征表示为其中表示物品v的历史购买者的集合。


5.根据权利要求4所述的一种基于协同过滤和深度学习的个性化推荐方法，其特征在于：在注意力神经网络中，采用基于单层神经网络的注意力模型；
在注意力模型中，选择采用点积的方式来表示历史项与目标项之间的相似度，然后使用一个带有隐藏层的多层感知器来参数化此相似度，再将输出的参数经过softmax进行归一化得到最后的注意力权重；
得到用户和商品的注意力权重后，基...

【专利技术属性】
技术研发人员：吴黎兵，闵姝文，全聪，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42